最近我一在杭州做外贸生意的老表让我给他推荐一辆车，自己的宝来开了5年多，感觉不香了，这次要我给他从BBA中选一个，落地35万以内落地。我想这做生意稳重一点，35万以内差不多就是奔驰C，宝马3和奥迪A4中选了。至于选哪一个就很头疼了。
我们知道每辆车都有它的特点和受众群体，特别是对于这种有上百年品牌积淀的BBA。奔驰的高逼格，宝马的驾驶感，奥迪的科技感等，但是这些特点不一定是你买它的理由。
每辆车肯定都有缺点，如果这些缺点你无法忍受，那一定是你不买的理由。与其打破脑袋做选择题，不如换个思维方式，用排除法，做“不选”题。
按照这个思路，我就想着怎么样把这三个车的问题搜集出来，对比看看哪个更加无法接受。最后在做出选择。思路有了，问题就有了解决方案了：
搜集各个车型的问题
搜集完后做数据清洗聚合
问题点生成词云对比，更具有视觉效果
好了，说干就干。第一步，问题搜集。要搜集问题，自然要找投诉网站。有个12365车质网就是让用户上报投诉信息的，我们也可以按照车型搜索投诉信息，如图：
搜索后，得到详细的投诉信息列表，很全很强大！
我们只要把这些信息写个爬虫爬下来就可以了。这个简单。按照我们之前写过的爬虫，5分钟，总共不超过20行代码，就把这些数据拿下了。没办法，python爬虫就是这么强大！特别是对于这种第三方机构的网页，基本上没有什么反爬虫措施。爬取后的数据如下,大概10000条：
每一行为一个投诉，每个投诉有车型车款投诉信息和投诉日期等字段，完全够用了。
原材料有了，接下来就开始做菜了。按照需求：“分析每个车型的主要缺点，看看哪个更加无法接受”来搭建数据分析的指标和方法。
我的思路：第一，总体观：先看看哪个车型故障比较多第二，细化到每个车型在看看每个车型的主要问题
总体分析简单，直接用pandas聚合，看看每个车型的投诉总数和占比：
可视化：
这里有一家网站，车主之家，可以按照车型查找到每个月的销量：
同样的，我们用爬虫爬取了2009-2019共11年三个品牌的销量数据：
OK，把这个数据和投诉数据放到一起：
销量可视化：
我靠，这下死的明白了！
宝马11年共卖了近140万辆3系，在三者中最高，但是投诉数量却是最少，从数据上看似乎质量比另外两个可靠。
奥迪A4在销量方面比宝马3系稍逊一筹，超过120万辆，但是投诉数量确是宝马4倍左右。
奔驰的销量和两外两兄弟不在一个级别上，但其实投诉也不少。
我们再来看一下按月份销量走势图：
2009-2015，宝马3系的历年销量都是最高，但是2015年之后不知道发生了什么，这种优越感荡然无存。特别是2019年下半年开始，销量大幅下滑，现在处于稳步复苏阶段。
最近几年（2015-2019），三个车型的销量非常接近，竞争越来越激烈。
再来看一下按照月份的投诉量统计：
基本上每个月奥迪的投诉总量都是最高，宝马最低。
但是要看到宝马和奔驰的投诉数量近几年有增长的趋势
奥迪在2015年前后和2017-2019年有个投诉集中爆发的阶段，其实如果把这些非常高的离群点处理掉，奥迪投诉量没有那么夸张。
综上，从整体数据来看：
宝马3系的投诉总量最低，而且是在销量最高的前提下。但是要看到宝马3系的黄金时期是在2009-2015年间。销量大幅领先且投诉少。最近几年投诉量有上升趋势。
奔驰随着产量销量的上升，投诉量也在增长。
从数据上来看，最不推荐的是奥迪A4，投诉量一直居高不下。
但是：
第一，这只是一家网站的数据，是否全面需要商榷；第二，每个品牌的车主是否都有上网投诉的习惯，这个也是未知。后期打算做一个各个品牌车主的人物画像在深入分析。
这里在此强调以上只是通过数据就事论事。
第二步：各个品牌的缺点画像。
这里的内容主要是用jieba分词来对统计投诉问题做词频统计，之后利用词云工具来展示。因为python有这些第三方库，做这些事情无比简单。别人做好了工具直接调用即可。
首先先看一下总体的情况：
下面我们在分车型看一下：
按照字母顺序，奥迪先来：
异味和烧机油问题突出。看来烧机油是大众的通病。我们在把词分的更细一点看看：
可以看到除了异响异味以外，防冻液和轮胎也很突出。
在看一下奔驰C：
对比奥迪，奔驰C发动机故障灯亮和4S商家服务问题突出一点。细分在看一下可以看到提到比较多有故障灯，凸轮轴等
最后看一下宝马：
宝马和奥迪一样，都有严重的烧机油问题，但是宝马的似乎和气门机构有关系，这里漏油。
宝马车主还提到发动机控制模块故障和高速熄火问题，这个挺严重
综上：
有了这些问题，在怎么选择，就看个人了。
制作各种复杂报表,搭建数据决策分析系统
企业级数据分析平台，人人都是数据分析师
全方位高时效融合各种数据，打破数据孤岛
轻松制作管理驾驶舱，可视化经营决策监控
提供500+BI模板，20+业务分析体系方案，快速打造高效美观的业务报告与可视化仪表板，一站式解决您的数据分析需求！